Physical activities enable scalable foundation modelling for broad-spectrum health prediction
作者: Zhenghuang Wu, Yuyao Zhu, Songlin Xu
分类: cs.LG
发布日期: 2026-07-08
备注: 18 pages, 5 figures, 6 tables
💡 一句话要点
提出StepFM以解决健康预测模型的可扩展性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 健康预测 可穿戴技术 步数计 隐私保护 多任务学习 时间序列分析 行为模式识别
📋 核心要点
- 现有健康预测模型多依赖高频原始传感器数据，存在隐私、计算开销和可扩展性等问题。
- 本文提出StepFM，基于步数计数据构建的基础模型，旨在实现广谱健康预测，保护用户隐私。
- 实验表明，StepFM在超过20项健康风险预测任务中表现优异，且在异构环境中保持稳健性。
📝 摘要（中文）
可穿戴和移动传感技术在健康推断方面展现出强大潜力，但现有传感器模型多为特定疾病设计，限制了其在不同健康风险中的可转移性。本文提出StepFM，一个基于步数计数据的基础模型，旨在实现广谱健康预测。StepFM利用步数数据的普遍性和低维特性，提供了一种实用、保护隐私且计算高效的替代方案。我们设计了一个可扩展的预训练框架，能够捕捉大规模步序列中的时间动态和行为模式，支持超过20种健康风险预测任务。实验结果表明，StepFM在多种异构环境中表现出色，揭示了身体活动模式与健康风险之间的可解释关系，为基于活动的健康建模提供了新见解。
🔬 方法详解
问题定义：本文旨在解决现有健康预测模型在不同健康风险中的可转移性不足，以及对高频原始数据的依赖所带来的隐私和计算开销问题。
核心思路：StepFM模型仅基于步数计数据，利用其普遍性和低维特性，提供一种隐私保护且计算高效的健康预测方法。
技术框架：StepFM的整体架构包括数据预处理、时间动态捕捉、行为模式识别和多任务学习等模块，支持大规模步序列的预训练和健康风险预测。
关键创新：StepFM的主要创新在于其基于步数计数据的基础模型设计，突破了传统方法对高频数据的依赖，实现了更广泛的健康风险预测能力。
关键设计：模型采用了特定的损失函数和网络结构，优化了步数数据的时间序列特征提取，确保了在多种设备和新区域中的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，StepFM在超过20项健康风险预测任务中表现优于现有方法，尤其在异构环境下的稳健性显著提升。与基线模型相比，StepFM在准确性和计算效率上均有明显改善，展示了其作为健康预测工具的潜力。
🎯 应用场景
该研究的潜在应用领域包括个人健康监测、公共健康管理和疾病预防等。StepFM能够为不同人群提供个性化的健康预测，具有实际价值和广泛的社会影响，尤其是在健康管理和疾病预防领域。未来，随着可穿戴设备的普及，StepFM有望成为健康监测的标准工具。
📄 摘要（原文）
Wearable and mobile sensing technologies have demonstrated strong potential for health inference; however, most sensor models are designed for specific disease types, limiting their transferability across different health risks. Wearable foundation models offer a more generalizable approach in diverse health risk types. Nevertheless, most existing methods rely on high-frequency raw sensor data, raising concerns about privacy, computational overhead, and scalability across devices and populations. In this paper, we propose StepFM, a foundation model built solely on step counter data for broad-spectrum health prediction. Leveraging the ubiquity and low-dimensional nature of step data, StepFM provides a practical, privacy-preserving, and computation-efficient alternative to traditional sensor-based models. We design a scalable pre-training framework that captures temporal dynamics and behavioral patterns from large-scale step sequences, enabling transfer across more than 20 health risk prediction tasks spanning diverse devices, new regions, and novel disease types. Extensive experiments demonstrate that StepFM achieves strong performance compared to existing methods while maintaining robustness across heterogeneous settings. Furthermore, our analysis reveals interpretable and generalizable relationships between physical activity patterns and various health risks, offering new insights into activity-based health modeling. Our work establishes step-based sensing as a viable foundation for scalable and real-world health monitoring.